CN115112119A - 一种基于lstm神经网络辅助的车载导航方法 - Google Patents

一种基于lstm神经网络辅助的车载导航方法 Download PDF

Info

Publication number
CN115112119A
CN115112119A CN202210964179.7A CN202210964179A CN115112119A CN 115112119 A CN115112119 A CN 115112119A CN 202210964179 A CN202210964179 A CN 202210964179A CN 115112119 A CN115112119 A CN 115112119A
Authority
CN
China
Prior art keywords
gps
data
vehicle
neural network
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210964179.7A
Other languages
English (en)
Inventor
甘章怡
杜爽
杨文慧
赵鑫
邓斯琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210964179.7A priority Critical patent/CN115112119A/zh
Publication of CN115112119A publication Critical patent/CN115112119A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于LSTM神经网络辅助的车载导航方法，包括以下步骤：S1.车辆运行时，构建传感器的输出信号特征；S2.在GPS未中断时,构建GPS输出信号特征，并基于扩展卡尔曼滤波处理得到误差数据，并与捷联解算结果作差，得到导航信息；S3.构建LSTM神经网络模型，在GPS未中断的时间段内，对LSTM神经网络进行训练；S4.在GPS中断时，由LSTM神经网络模型输出伪位置增量，并基于卡尔曼滤波得到预测误差数据，与捷联解算结果作差，得到导航信息。本发明基于LSTM神经网络辅助，以MEMS IMU的比力、角速度以及捷联结算的速度和航向角作为输入，以预测GPS中断时的位置增量，并且将此作为EKF的观测量，从而准确估计出车辆的轨迹。

Description

一种基于LSTM神经网络辅助的车载导航方法
技术领域
本发明涉及GPS导航，特别是涉及一种基于LSTM神经网络辅助的车载导航方法。
背景技术
目前，全球定位系统(GPS)是最容易获得的车辆导航技术，被视为广泛交通应用的标准解决方案。然而，当卫星信号在城市峡谷和隧道等GPS拒绝的环境中断断续续或受阻时，独立GPS无法提供连续可靠的定位信息。为了解决这一问题，GPS通常与惯性导航系统(INS)集成，以创建一个集成的INS/GPS定位系统，该系统对GPS信号阻塞等环境因素更具鲁棒性。INS是一个自主系统，由惯性测量单元(IMU)使用三个加速计和三个陀螺仪测量陆地车辆的线加速度和角速度。当导航参数的初始条件给定时，可以通过分析IMU测量数据以提供当前位置、速度和姿态。因此，INS可以补偿GPS中断时刻并保持导航解决方案的连续性。对于INS/GPS组合系统，传统上通过使用Kalman滤波器(KF)实现导航解决方案。基于卡尔曼滤波的组合导航精确度主要受到两个方面的影响。首先是传感器的精确度。因为IMU的动力学模型基于INS的三个速度误差、三个位置误差和三个姿态误差，它们统称为系统误差状态。此外还有一些传感器误差，如加速度计零偏和陀螺仪漂移，它们通常建模为一阶GM过程或者AR建模。然而IMU漂移是非平稳的，一阶GM过程只适合处理平稳随机过程，AR模型是模型敏感的，不适合处理奇功率过程、高阶过程或宽动态范围。
此外，组合导航的精确度同样受到滤波算法的影响。卡尔曼滤波是GNSS/INS组合导航中最常见的融合实现，因为在递归过程中具有最佳估计优点和简单性。然而，由于KF的最优性取决于有关协方差矩阵(Q和R)的先验假设的质量，非线性近似和系统模型知识不足可能导致不可靠的结果，甚至在复杂环境中产生分歧。为了更好地处理非线性，提出了KF的一些改进，如扩展卡尔曼滤波器(EKF)和无迹卡尔曼滤波器(UKF)。然而，它们在陆地车辆GNSS/INS组合导航中仍然存在一些缺点，例如在全球导航卫星系统长期停机期间，精度迅速下降；在全球导航卫星系统挑战的环境中，预测建模陆地车辆非线性行为的能力相对较差。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于LSTM神经网络辅助的车载导航方法，基于LSTM神经网络辅助，以MEMS IMU的比力、角速度以及捷联结算的速度和航向角作为输入，以预测GPS中断时的位置增量，并且将此作为EKF的观测量，从而准确估计出车辆的轨迹。
本发明的目的是通过以下技术方案来实现的：一种基于LSTM神经网络辅助的车载导航方法，包括以下步骤：
S1.车辆运行时，利用安装在车辆上的传感器对车辆数据进行采集，并进行降噪处理和捷联解算，并构建传感器的输出信号特征；
S2.在GPS未中断时,根据安装在车辆上GPS模块构建GPS输出信号特征，并基于扩展卡尔曼滤波处理得到误差数据，并与捷联解算结果作差，得到导航信息；
S3.构建LSTM神经网络模型，在GPS未中断的时间段内，利用传感器的输出信号特征和GPS输出信号特征对LSTM神经网络进行训练；
S4.在GPS中断时，由LSTM神经网络模型输出伪位置增量，并基于卡尔曼滤波得到预测误差数据，与捷联解算结果作差，得到导航信息。
进一步地，所述传感器采用IMU传感器，该传感器包括三轴加速度计和三轴陀螺仪，输出的信号包括三轴加速度计数据fb和三轴陀螺仪数据ωb；所述GPS模块输出的信号包括位置数据和速度数据。所述IMU传感器输出的信号为100HZ的信号；所述GPS模块输出的信号为1HZ的信号。
所述步骤S1中构建传感器输出信号特征的过程包括：
S101.利用安装在车辆上的传感器对车辆数据进行采集,输出三轴加速度计数据fb和三轴陀螺仪数据ωb，并利用WMRA进行降噪处理，其中WMRA是指小波多分辨率分析；
S102.对于降噪后的数据进行整合平均，使其与GPS模块的输出频率进行匹配：
所述GPS模块输出1HZ的信号，即每秒输出一次信号，故将每秒内降噪后的数据进行叠加：
由于传感器输出的信号为100HZ，即每秒有100次数据输出，每次均会输出一个三轴加速度计数据和三轴陀螺仪数据；
将每秒内降噪处理后的100个三轴加速度计数据求平均，同时将每秒内降噪处理后的100个三轴陀螺仪数据求平均，即完成了整合平均；
S103.对降噪后的传感器输出数据进行INS捷联解算，得到每秒的车辆速度信息、姿态信息和位置信息；
S104.设车辆运行的第t秒内传感器输出的数据，进行降噪和整合平均后，得到的三轴加速度计数据和三轴陀螺仪数据分别为ft b、
Figure BDA0003794088880000021
设车辆运行的第t秒内传感器输出的数据进行降噪和INS捷联解算后得到的速度信息和姿态信息分别为
Figure BDA0003794088880000022
则构建第t秒内传感器的输出信号特征为：
Figure BDA0003794088880000031
所述步骤S2包括：
将GPS模块每秒输出的位置信号与上一秒输出的位置信号作差，计算出GPS位置增量，作为GPS输出信号特征；
对于车辆运行的第t秒，GPS的输出信号特征记为：
yt＝[PGPS(t)-PGPS(t-1)]
其中PGPS(t)表示车辆运行的第t秒GPS模块输出的位置数据，当t＝1时，PGPS(t-1)取预先保存的车辆静止时GPS模块输出的位置数据。
所述步骤S3包括：
S301.构建LSTM神经网络模型；
S302.在GPS未中断的时间段内，将任一秒传感器的输出信号特征作为LSTM神经网络模型的输入，利用该秒内GPS输出信号特征作为LSTM训练的目标值，即LSTM神经网络模型的期望输出，对构建的LSTM神经网络模型进行训练；
S302.在GPS未中断的时间段内，利用每一秒传感器的输出信号特征和GPS输出信号特征，按照步骤S302对LSTM神经网络进行持续训练，得到训练完成的LSTM神经网络。
所述步骤S2中，基于扩展卡尔曼滤波处理得到误差数据，与捷联解算结果作差，得到导航信息的过程如下：
A1、设状态量矩阵
Figure BDA0003794088880000032
中，各个量分别表示位置误差、速度误差、姿态误差、加速度计误差和陀螺仪误差，每个量均包含车载坐标系下x，y，z三个方向上的数据，故状态量矩阵
Figure BDA0003794088880000033
为15维矩阵；
初始化量测矩阵Ht，在GPS未中断的任何时刻下，Ht均保持不变：
Figure BDA0003794088880000034
初始化车辆静止时的状态矩阵
Figure BDA0003794088880000035
为全零矩阵，记为
Figure BDA0003794088880000036
初始化车辆静止时刻的状态量噪声协方差矩阵为预设矩阵P0(+)；
A2、若车辆运行的第t秒，GPS未中断，GPS模块输出的位置数据为PGPS(t)，速度数据为vGPS(t)，INS捷联解算得到的位置数据为PINS(t),INS捷联解算得到的速度数据vINS(t)，则计算车辆运行的第t秒，扩展卡尔曼滤波的观测量zt为：
zt＝{PGPS(t)-PINS(t),vGPS(t)-vINS(t)}；
A4、设第t秒已知的观测量噪声协方差矩阵为Rt，第t-1秒已知的过程量噪声协方差为Qt-1，第t-1秒已知的噪声驱动矩阵为Gt-1，其中Rt、Qt-1、Gt-1不随时间变化；
从t＝1开始，根据第t-1秒的状态量矩阵修正值
Figure BDA0003794088880000041
获取第t秒状态量矩阵修正值
Figure BDA0003794088880000042
的过程如下：
Figure BDA0003794088880000043
其中，φt/t-1表示第t-1时刻到第t时刻的车辆动态转移矩阵，Pt(-)表示t时刻状态量噪声协方差矩阵的预测值，Pt(+)表示t时刻状态量噪声协方差矩阵的修正值，Pt-1(+)表示t-1时刻状态量噪声协方差矩阵的修正值，Kt表示t时刻的卡尔曼滤波增益矩阵；
P是状态量噪声协方差矩阵，表征状态量(IMU)的噪声水平；R是观测量噪声协方差矩阵，表征观测量(GPS或者LSTM)的噪声水平，P由过程噪声协方差Q决定，Q和R是先验信息量，即已知的IMU或者GPS/LSTM的噪声水平；G由选定的传感器噪声水平决定；
A5、利用第t秒内INS捷联结算得到的第t秒的车辆速度信息、姿态信息和位置信息，减去第t秒更新得到的
Figure BDA0003794088880000044
中包含的速度误差、姿态误差和位置误差，得到所需的导航信息。
所述步骤S4包括：
S401.GPS中断时，将传感器输出的信号特征送入训练完成的神经网络，得到预测的GPS位置增量：
若车辆运行的第t秒，GPS中断，将传感器输出信号特征为
Figure BDA0003794088880000045
送入训练完成的神经网络，得到预测出输出记为ΔpANN；
S402.构建t时刻卡尔曼滤波的观测量zt：
zt＝{ΔpANN}；
S403.从t＝1开始，按照步骤A4获取第t秒状态量矩阵修正值
Figure BDA0003794088880000046
按照步骤A4进行处理的过程中，将步骤A4中的量测矩阵替换为Ht＝[I3×3 03×3 03×3 03×3 03×3]，将矩阵Rt替换为
Figure BDA0003794088880000051
即：
Figure BDA0003794088880000052
Figure BDA0003794088880000053
Figure BDA0003794088880000054
Figure BDA0003794088880000055
Pt(+)＝Pt(-)-KtHtPt(-)
其中，
Figure BDA0003794088880000056
Figure BDA0003794088880000057
vt定义为新息序列，
Figure BDA0003794088880000058
cvt为理论新息序列协方差，
Figure BDA0003794088880000059
为窗口大小为N的时间内的实际新息序列协方差；
S404.利用第t秒内INS捷联结算得到的第t秒的车辆速度信息、姿态信息和位置信息，减去第t秒状态量矩阵修正值
Figure BDA00037940888800000510
中包含的速度误差、姿态误差和位置误差，得到所需的导航信息。
本发明的有益效果是：本发明基于LSTM神经网络辅助，以MEMS IMU的比力、角速度以及捷联结算的速度和航向角作为输入，以预测GPS中断时的位置增量，并且将此作为EKF的观测量，从而准确估计出车辆的轨迹。
附图说明
图1为本发明的方法流程图；
图2为GPS未中断时的数据处理示意图；
图3为GPS中断时的数据处理示意图；
图4为实施例中的对比结果示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于LSTM神经网络辅助的车载导航方法，包括以下步骤：
S1.车辆运行时，利用安装在车辆上的传感器对车辆数据进行采集，并进行降噪处理和捷联解算，并构建传感器的输出信号特征；
S2.在GPS未中断时,根据安装在车辆上GPS模块构建GPS输出信号特征，并基于扩展卡尔曼滤波处理得到误差数据，并与捷联解算结果作差，得到导航信息；
S3.构建LSTM神经网络模型，在GPS未中断的时间段内，利用传感器的输出信号特征和GPS输出信号特征对LSTM神经网络进行训练；
S4.在GPS中断时，由LSTM神经网络模型输出伪位置增量，并基于卡尔曼滤波得到预测误差数据，与捷联解算结果作差，得到导航信息。
进一步地，所述传感器采用IMU传感器，该传感器包括三轴加速度计和三轴陀螺仪，输出的信号包括三轴加速度计数据fb和三轴陀螺仪数据ωb；所述GPS模块输出的信号包括位置数据和速度数据。所述IMU传感器输出的信号为100HZ的信号；所述GPS模块输出的信号为1HZ的信号。在本申请的实施例中，所述IMU传感器采用MEMS IMU；
所述步骤S1中构建传感器输出信号特征的过程包括：
S101.利用安装在车辆上的传感器对车辆数据进行采集,输出三轴加速度计数据fb和三轴陀螺仪数据ωb，并利用WMRA进行降噪处理，其中WMRA是指小波多分辨率分析；(使用小波软阈值处理，小波基函数为sym6，分解尺度为6时有最好的效果)
S102.对于降噪后的数据进行整合平均，使其与GPS模块的输出频率进行匹配：
所述GPS模块输出1HZ的信号，即每秒输出一次信号，故将每秒内降噪后的数据进行叠加：
由于传感器输出的信号为100HZ，即每秒有100次数据输出，每次均会输出一个三轴加速度计数据和三轴陀螺仪数据；
将每秒内降噪处理后的100个三轴加速度计数据求平均，同时将每秒内降噪处理后的100个三轴陀螺仪数据求平均，即完成了整合平均；
S103.对降噪后的传感器输出数据进行INS捷联解算，得到每秒的车辆速度信息、姿态信息和位置信息；
S104.设车辆运行的第t秒内传感器输出的数据，进行降噪和整合平均后，得到的三轴加速度计数据和三轴陀螺仪数据分别为ft b、
Figure BDA0003794088880000061
设车辆运行的第t秒内传感器输出的数据进行降噪和INS捷联解算后得到的速度信息和姿态信息分别为
Figure BDA0003794088880000062
则构建第t秒内传感器的输出信号特征为：
Figure BDA0003794088880000071
所述步骤S2包括：
将GPS模块每秒输出的位置信号与上一秒输出的位置信号作差，计算出GPS位置增量，作为GPS输出信号特征；
对于车辆运行的第t秒，GPS的输出信号特征记为：
yt＝[PGPS(t)-PGPS(t-1)]
其中PGPS(t)表示车辆运行的第t秒GPS模块输出的位置数据，当t＝1时，PGPS(t-1)取预先保存的车辆静止时GPS模块输出的位置数据。
所述步骤S3包括：
S301.构建LSTM神经网络模型；
S302.在GPS未中断的时间段内，将任一秒传感器的输出信号特征作为LSTM神经网络模型的输入，利用该秒内GPS输出信号特征作为LSTM训练的目标值，即LSTM神经网络模型的期望输出，对构建的LSTM神经网络模型进行训练；
S302.在GPS未中断的时间段内，利用每一秒传感器的输出信号特征和GPS输出信号特征，按照步骤S302对LSTM神经网络进行持续训练，得到训练完成的LSTM神经网络。
如图2所示，所述步骤S2中，基于扩展卡尔曼滤波处理得到误差数据，与捷联解算结果作差，得到导航信息的过程如下：
A1、设状态量矩阵
Figure BDA0003794088880000072
中，各个量分别表示位置误差、速度误差、姿态误差、加速度计误差和陀螺仪误差，每个量均包含车载坐标系下x，y，z三个方向上的数据，故状态量矩阵
Figure BDA0003794088880000073
为15维矩阵；
初始化量测矩阵Ht，在GPS未中断的任何时刻下，Ht均保持不变：
Figure BDA0003794088880000074
初始化车辆静止时的状态矩阵
Figure BDA0003794088880000075
为全零矩阵，记为
Figure BDA0003794088880000076
初始化车辆静止时刻的状态量噪声协方差矩阵为预设矩阵P0(+)；
A2、若车辆运行的第t秒，GPS未中断，GPS模块输出的位置数据为PGPS(t)，速度数据为vGPS(t)，INS捷联解算得到的位置数据为PINS(t),INS捷联解算得到的速度数据vINS(t)，则计算车辆运行的第t秒，扩展卡尔曼滤波的观测量zt为：
zt＝{PGPS(t)-PINS(t),vGPS(t)-vINS(t)}；
A4、设第t秒已知的观测量噪声协方差矩阵为Rt，第t-1秒已知的过程量噪声协方差为Qt-1，第t-1秒已知的噪声驱动矩阵为Gt-1，其中Rt、Qt-1、Gt-1不随时间变化；
从t＝1开始，根据第t-1秒的状态量矩阵修正值
Figure BDA0003794088880000081
获取第t秒状态量矩阵修正值
Figure BDA0003794088880000082
的过程如下：
Figure BDA0003794088880000083
其中，φt/t-1表示第t-1时刻到第t时刻的车辆动态转移矩阵，Pt(-)表示t时刻状态量噪声协方差矩阵的预测值，Pt(+)表示t时刻状态量噪声协方差矩阵的修正值，Pt-1(+)表示t-1时刻状态量噪声协方差矩阵的修正值，Kt表示t时刻的卡尔曼滤波增益矩阵；
A5、利用第t秒内INS捷联结算得到的第t秒的车辆速度信息、姿态信息和位置信息，减去第t秒更新得到的
Figure BDA0003794088880000084
中包含的速度误差、姿态误差和位置误差，得到所需的导航信息。
如图3所示，所述步骤S4包括：
S401.GPS中断时，将传感器输出的信号特征送入训练完成的神经网络，得到预测的GPS位置增量：
若车辆运行的第t秒，GPS中断，将传感器输出信号特征为
Figure BDA0003794088880000085
送入训练完成的神经网络，得到预测出输出记为ΔpANN；
S402.构建t时刻卡尔曼滤波的观测量zt：
zt＝{ΔpANN}；
S403.从t＝1开始，按照步骤A4获取第t秒状态量矩阵修正值
Figure BDA0003794088880000086
按照步骤A4进行处理的过程中，将步骤A4中的量测矩阵替换为Ht＝[I3×3 03×3 03×3 03×3 03×3]，将矩阵Rt替换为
Figure BDA0003794088880000091
即：
Figure BDA0003794088880000092
Figure BDA0003794088880000093
Figure BDA0003794088880000094
Figure BDA0003794088880000095
Pt(+)＝Pt(-)-KtHtPt(-)
其中，
Figure BDA0003794088880000096
Figure BDA0003794088880000097
vt定义为新息序列，
Figure BDA0003794088880000098
cvt为理论新息序列协方差，
Figure BDA0003794088880000099
为窗口大小为N的时间内的实际新息序列协方差；
S404.利用第t秒内INS捷联结算得到的第t秒的车辆速度信息、姿态信息和位置信息，减去第t秒状态量矩阵修正值
Figure BDA00037940888800000910
中包含的速度误差、姿态误差和位置误差，得到所需的导航信息。
在本申请的实施例中，道路测试验证了所提出的导航策略。实验设备采用的是MTi-G(一种内置GNSS芯片的低成本MEMS IMU)，MEMS数据采样数率为100HZ，GPS数据采样数率为1HZ，MTi-G的误差特性如表所示。为了验证该策略对传统GPS/INS组合导航系统定位精度的提高，将收集到的MEMS IMU数据和GNSS数据(位置和速度)进行分析并基于EKF进行数据融合。MTi-G型MEMS IMU误差特性如下表所示：
Figure BDA00037940888800000911
通过一段1800s的GPS信号未中断行驶时间训练LSTM，然后模拟30S的中断验证所提出方案的性能。
如图4所示，是30秒中断下的车辆轨迹在30s的中断期间，纯惯导的纬度漂移达到了140m，经度漂移达到了160m，而LSTM神经网络很好地限制了惯导的漂移。LSTM的纬度最大误差为10m,提高了93％，经度最大误差为12.8m，提高了92％。
以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (8)

1.一种基于LSTM神经网络辅助的车载导航方法，其特征在于：包括以下步骤：
S1.车辆运行时，利用安装在车辆上的传感器对车辆数据进行采集，并进行降噪处理和捷联解算，并构建传感器的输出信号特征；
S2.在GPS未中断时,根据安装在车辆上GPS模块构建GPS输出信号特征，并基于扩展卡尔曼滤波处理得到误差数据，并与捷联解算结果作差，得到导航信息；
S3.构建LSTM神经网络模型，在GPS未中断的时间段内，利用传感器的输出信号特征和GPS输出信号特征对LSTM神经网络进行训练；
S4.在GPS中断时，由LSTM神经网络模型输出伪位置增量，并基于卡尔曼滤波得到预测误差数据，与捷联解算结果作差，得到导航信息。
2.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述传感器采用IMU传感器，该传感器包括三轴加速度计和三轴陀螺仪，输出的信号包括三轴加速度计数据fb和三轴陀螺仪数据ωb；所述GPS模块输出的信号包括位置数据和速度数据。
3.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述IMU传感器输出的信号为100HZ的信号；所述GPS模块输出的信号为1HZ的信号。
4.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述步骤S1中构建传感器输出信号特征的过程包括：
S101.利用安装在车辆上的传感器对车辆数据进行采集,输出三轴加速度计数据fb和三轴陀螺仪数据ωb，并利用WMRA进行降噪处理，其中WMRA是指小波多分辨率分析；
S102.对于降噪后的数据进行整合平均，使其与GPS模块的输出频率进行匹配：
所述GPS模块输出1HZ的信号，即每秒输出一次信号，故将每秒内降噪后的数据进行叠加：
由于传感器输出的信号为100HZ，即每秒有100次数据输出，每次均会输出一个三轴加速度计数据和三轴陀螺仪数据；
将每秒内降噪处理后的100个三轴加速度计数据求平均，同时将每秒内降噪处理后的100个三轴陀螺仪数据求平均，即完成了整合平均；
S103.对降噪后的传感器输出数据进行INS捷联解算，得到每秒的车辆速度信息、姿态信息和位置信息；
S104.设车辆运行的第t秒内传感器输出的数据，进行降噪和整合平均后，得到的三轴加速度计数据和三轴陀螺仪数据分别为
Figure FDA0003794088870000011
设车辆运行的第t秒内传感器输出的数据进行降噪和INS捷联解算后得到的速度信息和姿态信息分别为
Figure FDA0003794088870000021
则构建第t秒内传感器的输出信号特征为：
Figure FDA0003794088870000022
5.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述步骤S2包括：
将GPS模块每秒输出的位置信号与上一秒输出的位置信号作差，计算出GPS位置增量，作为GPS输出信号特征；
对于车辆运行的第t秒，GPS的输出信号特征记为：
yt＝[PGPS(t)-PGPS(t-1)]
其中PGPS(t)表示车辆运行的第t秒GPS模块输出的位置数据，当t＝1时，PGPS(t-1)取预先保存的车辆静止时GPS模块输出的位置数据。
6.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述步骤S3包括：
S301.构建LSTM神经网络模型；
S302.在GPS未中断的时间段内，将任一秒传感器的输出信号特征作为LSTM神经网络模型的输入，利用该秒内GPS输出信号特征作为LSTM训练的目标值，即LSTM神经网络模型的期望输出，对构建的LSTM神经网络模型进行训练；
S302.在GPS未中断的时间段内，利用每一秒传感器的输出信号特征和GPS输出信号特征，按照步骤S302对LSTM神经网络进行持续训练，得到训练完成的LSTM神经网络。
7.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述步骤S2中，基于扩展卡尔曼滤波处理得到误差数据，与捷联解算结果作差，得到导航信息的过程如下：
A1、设状态量矩阵
Figure FDA0003794088870000023
中，各个量分别表示位置误差、速度误差、姿态误差、加速度计误差和陀螺仪误差，每个量均包含车载坐标系下x，y，z三个方向上的数据，故状态量矩阵
Figure FDA0003794088870000024
为15维矩阵；
初始化量测矩阵Ht，在GPS未中断的任何时刻下，Ht均保持不变：
Figure FDA0003794088870000025
初始化车辆静止时的状态矩阵
Figure FDA0003794088870000031
为全零矩阵，记为
Figure FDA0003794088870000032
初始化车辆静止时刻的状态量噪声协方差矩阵为预设矩阵P0(+)；
A2、若车辆运行的第t秒，GPS未中断，GPS模块输出的位置数据为PGPS(t)，速度数据为vGPS(t)，INS捷联解算得到的位置数据为PINS(t),INS捷联解算得到的速度数据vINS(t)，则计算车辆运行的第t秒，扩展卡尔曼滤波的观测量zt为：
zt＝{PGPS(t)-PINS(t),vGPS(t)-vINS(t)}；
A4、设第t秒已知的观测量噪声协方差矩阵为Rt，第t-1秒已知的过程量噪声协方差为Qt-1，第t-1秒已知的噪声驱动矩阵为Gt-1；
从t＝1开始，根据第t-1秒的状态量矩阵修正值
Figure FDA0003794088870000033
获取第t秒状态量矩阵修正值
Figure FDA0003794088870000034
的过程如下：
Figure FDA0003794088870000035
其中，φt/t-1表示第t-1时刻到第t时刻的车辆动态转移矩阵，Pt(-)表示t时刻状态量噪声协方差矩阵的预测值，Pt(+)表示t时刻状态量噪声协方差矩阵的修正值，Pt-1(+)表示t-1时刻状态量噪声协方差矩阵的修正值，Kt表示t时刻的卡尔曼滤波增益矩阵；
A5、利用第t秒内INS捷联结算得到的第t秒的车辆速度信息、姿态信息和位置信息，减去第t秒更新得到的
Figure FDA0003794088870000036
中包含的速度误差、姿态误差和位置误差，得到所需的导航信息。
8.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法，其特征在于：所述步骤S4包括：
S401.GPS中断时，将传感器输出的信号特征送入训练完成的神经网络，得到预测的GPS位置增量：
若车辆运行的第t秒，GPS中断，将传感器输出信号特征为
Figure FDA0003794088870000037
送入训练完成的神经网络，得到预测出输出记为ΔpANN；
S402.构建t时刻卡尔曼滤波的观测量zt：
zt＝{ΔpANN}；
S403.从t＝1开始，按照步骤A4获取第t秒状态量矩阵修正值
Figure FDA0003794088870000041
按照步骤A4进行处理的过程中，将步骤A4中的量测矩阵替换为Ht＝[I3×3 03×3 03×3 03×3 03×3]，将矩阵Rt替换为
Figure FDA0003794088870000042
即：
Figure FDA0003794088870000043
Figure FDA0003794088870000044
Figure FDA0003794088870000045
Figure FDA0003794088870000046
Pt(+)＝Pt(-)-KtHtPt(-)
其中，
Figure FDA0003794088870000047
Figure FDA0003794088870000048
vt定义为新息序列，
Figure FDA0003794088870000049
cvt为理论新息序列协方差，
Figure FDA00037940888700000410
为窗口大小为N的时间内的实际新息序列协方差；
S404.利用第t秒内INS捷联结算得到的第t秒的车辆速度信息、姿态信息和位置信息，减去第t秒状态量矩阵修正值
Figure FDA00037940888700000411
中包含的速度误差、姿态误差和位置误差，得到所需的导航信息。
CN202210964179.7A 2022-08-11 2022-08-11 一种基于lstm神经网络辅助的车载导航方法 Pending CN115112119A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210964179.7A CN115112119A (zh) 2022-08-11 2022-08-11 一种基于lstm神经网络辅助的车载导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210964179.7A CN115112119A (zh) 2022-08-11 2022-08-11 一种基于lstm神经网络辅助的车载导航方法

Publications (1)

Publication Number Publication Date
CN115112119A true CN115112119A (zh) 2022-09-27

Family

ID=83335421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210964179.7A Pending CN115112119A (zh) 2022-08-11 2022-08-11 一种基于lstm神经网络辅助的车载导航方法

Country Status (1)

Country Link
CN (1) CN115112119A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116482717A (zh) * 2023-01-17 2023-07-25 北京航空航天大学 一种基于长短时记忆网络的智能终端gnss干扰检测算法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116482717A (zh) * 2023-01-17 2023-07-25 北京航空航天大学 一种基于长短时记忆网络的智能终端gnss干扰检测算法

Similar Documents

Publication Publication Date Title
CN108226980B (zh) 基于惯性测量单元的差分gnss与ins自适应紧耦合导航方法
CN108535755B (zh) 基于mems的gnss/imu车载实时组合导航方法
CN111156994B (zh) 一种基于mems惯性组件的ins/dr&gnss松组合导航方法
Fakharian et al. Adaptive Kalman filtering based navigation: An IMU/GPS integration approach
CN109000640B (zh) 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法
CN109917440B (zh) 一种组合导航方法、系统及车辆
CN107884800B (zh) 观测时滞系统的组合导航数据解算方法、装置及导航设备
CN110715659A (zh) 零速检测方法、行人惯性导航方法、装置及存储介质
CN113203418B (zh) 基于序贯卡尔曼滤波的gnssins视觉融合定位方法及系统
CN113252048B (zh) 一种导航定位方法、导航定位系统及计算机可读存储介质
CN112505737A (zh) 一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法
CN111721290A (zh) 一种多源传感器信息融合定位切换方法
CN114545472B (zh) 一种gnss/ins组合系统的导航方法和装置
CN110940344B (zh) 一种用于自动驾驶的低成本传感器组合定位方法
CN111721288A (zh) 一种mems器件零偏修正方法、装置及存储介质
CN115060257B (zh) 一种基于民用级惯性测量单元的车辆变道检测方法
CN113465628A (zh) 惯性测量单元数据补偿方法及系统
JP6248559B2 (ja) 車両用走行軌跡算出装置
CN115388884A (zh) 一种智能体位姿估计器联合初始化方法
CN114415224A (zh) 一种复杂受限环境中车辆融合定位系统及方法
CN115112119A (zh) 一种基于lstm神经网络辅助的车载导航方法
CN112762944B (zh) 零速区间检测及零速更新方法
CN117053802A (zh) 一种基于旋转mems imu的车载导航系统定位误差减小的方法
CN110567456A (zh) 基于抗差卡尔曼滤波的bds/ins组合列车定位方法
CN113985466A (zh) 一种基于模式识别的组合导航方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination